EPDA: An Efficient and Privacy-preserving Dual Aggregation Scheme for Federated Learning in VANETs

Moderne Autos sind nicht mehr nur Maschinen, um von Punkt A nach Punkt B zu gelangen; sie sind rollende Computer, die ständig Daten über die Straße, den Fahrer und den umliegenden Verkehr sammeln. Diese Informationen sind entscheidend, um den Transport sicherer und effizienter zu machen, aber sie schaffen auch ein erhebliches Datenschutzdilemma. Autofahrer möchten nicht, dass ihre Standortverläufe oder Fahrgewohnheiten offengelegt werden, doch sie benötigen ihre Fahrzeuge gleichzeitig, damit diese aus der kollektiven Erfahrung der gesamten Flotte lernen können. Um dies zu lösen, haben Forscher eine Methode namens Federated Learning entwickelt. Anstatt Rohdaten an einen zentralen Server zu senden, trainiert jedes Auto ein kleines Computermodell auf seinen eigenen lokalen Daten und sendet lediglich die mathematischen Aktualisierungen dieses Modells an einen Koordinator. Dies hält die privaten Details auf dem Fahrzeug, führt jedoch ein neues Problem ein: Auch die Aktualisierungen selbst können noch sensible Informationen preisgeben, und die genutzten offenen Funkkanäle sind anfällig für Hacker, die sich als ein Auto ausgeben oder die Daten manipulieren könnten.

Ein Forschungsteam der Jiangsu University hat ein neues System namens EPDA vorgeschlagen, um diese Schwachstellen speziell für Fahrzeugnetzwerke anzugehen. Ihre Arbeit konzentriert sich darauf, einen Weg zu schaffen, wie hunderte von Autos zu einem gemeinsamen Lernmodell beitragen können, ohne zu verraten, wer sie sind oder was sie fahren, während gleichzeitig sichergestellt wird, dass der Prozess schnell genug ist, um im Echtzeitverkehr zu funktionieren. Die Forscher entwarfen einen zweistufigen Prozess, der sowohl die Verifizierung der Identitäten der Autos als auch die Kombination ihrer Modellaktualisierungen handhabt. Durch die Verwendung einer speziellen Art von digitaler Signatur, die keine schweren kryptografischen Berechnungen erfordert, gelang es ihnen, die Rechenkosten extrem niedrig zu halten. In ihren Tests unter Verwendung eines Standarddatensatzes zur Erkennung von Verkehrszeichen benötigte das System lediglich 0 0,03 Sekunden Verarbeitungszeit pro Auto und übertrug nur 148 Bytes an Daten pro Client, selbst bei einer Skalierung auf 350 Fahrzeuge. Diese Effizienz deutet darauf hin, dass ein solches System realistisch in belebten städtischen Umgebungen eingesetzt werden könnte, in denen Geschwindigkeit und Privatsphäre gleichermaßen kritisch sind.

Die zentrale Herausforderung in diesem Bereich besteht darin, Sicherheit mit Geschwindigkeit in Einklang zu bringen. Traditionelle Methoden zum Schutz von Daten beruhen oft auf komplexen mathematischen Operationen, die zu lange dauern für die Sekundenbruchteile, die für Entscheidungen im Verkehr benötigt werden. Andere Ansätze schützen zwar die Privatsphäre, scheitern aber daran, die Identität des Absenders zu verbergen, was Autofahrer angreifbar macht. Die Forscher hinter EPDA gingen dies an, indem sie ein duales Aggregationsschema einführten. Der erste Teil ihres Systems befasst sich mit der Authentifizierung. In einem typischen Szenario fungiert eine Straßeneinheit (Roadside Unit) als ein halbwegs vertrauenswürdiger Sammler, der Aktualisierungen von nahegelegenen Autos einsammelt. Die Forscher statteten diesen Sammler mit einer Möglichkeit aus, zu verifizieren, dass alle eingehenden Nachrichten echt sind, ohne jede einzeln prüfen zu müssen. Sie erreichten dies, indem sie die digitalen Signaturen mehrerer Autos zu einer einzigen, kompakten Signatur gruppierten. Dies ermöglicht es der Straßeneinheit, die Gültigkeit einer ganzen Gruppe von Aktualisierungen in einem Schritt zu bestätigen, anstatt durch die Einzelprüfung jedes Fahrzeugs gebremst zu werden. Diese Methode vermeidet den Einsatz schwerer kryptografischer Werkzeuge, die das System sonst ausbremsen würden.

Der zweite Teil des Systems schützt den eigentlichen Inhalt der Modellaktualisierungen. Selbst wenn ein Auto als legitim verifiziert wurde, könnten die von ihm gesendeten Daten analysiert werden, um private Details abzuleiten. Um dies zu verhindern, implementierten die Forscher eine Maskierungstechnik. Bevor ein Auto seine Modellaktualisierung sendet, verschlüsselt es die Daten mithilfe eines geheimen Schlüssels, der mit dem zentralen Server geteilt wird. Diese Verschlüsselung stellt sicher, dass die Straßeneinheit, die nur halbwegs vertrauenswürdig ist, die Rohparameter des Modells nicht sehen kann. Der zentrale Server, der den Hauptschlüssel besitzt, kann die aggregierten Daten später entschlüsseln, um das globale Modell zu aktualisieren. Dieser Prozess garantiert, dass die zwischengeschalteten Sammler niemals die sensiblen Informationen sehen, während dennoch die korrekte Rekonstruktion des endgültigen Modells möglich bleibt. Das System stellt zudem sicher, dass die Identität des Autos verborgen bleibt. Jedes Fahrzeug verwendet für seine Übertragungen eine temporäre, gefälschte Identität, was es einem Beobachter unmöglich macht, zwei verschiedene Nachrichten demselben Auto zuzuordnen. Nur eine vertrauenswürdige Instanz, die getrennt von den Datensammlern aufbewahrt wird, hat die Fähigkeit, eine echte Identität offenzulegen, falls sich ein Auto bösartig verhält, wodurch sichergestellt wird, dass die Privatsphäre nicht zu Lasten der totalen Rechenschaftspflicht geht.

Um zu testen, wie gut dieses System in der Praxis funktioniert, simulierten die Forscher eine Federated-Learning-Umgebung unter Verwendung eines Datensatzes von über 50.000 Verkehrszeichenbildern. Sie richteten ein Szenario ein, in dem zwischen 50 und 350 virtuelle Autos am Trainingsprozess teilnahmen. Die Ergebnisse zeigten, dass die für die kryptografischen Operationen benötigte Zeit unabhängig davon, wie viele Autos beteiligt waren, bemerkenswert stabil blieb. Während die Zeit, die die Autos für das Training ihrer lokalen Modelle benötigten, mit der Größe ihrer Daten anstieg, blieb die Zeit für Sicherheitsaufgaben wie Maskierung und Signierung konsistent niedrig und betrug im Durchschnitt weniger als 0,04 Sekunden pro Auto. Die Zeit, die der zentrale Server für die Verifizierung der gebündelten Signaturen benötigte, wuchs zwar linear, blieb aber sehr schnell und betrug nur etwa 3,2 Millisekunden für die Verifizierung der Updates von 350 Fahrzeugen. In Bezug auf die Datenübertragung war das System hocheffizient und erforderte pro Auto lediglich 148 Bytes an Informationen pro Runde. Dies ist signifikant weniger als bei anderen bestehenden Methoden, die für dieselbe Aufgabe hunderte oder sogar tausende Bytes erfordern können.

Die Forscher verglichen ihren Ansatz mit mehreren anderen modernsten Methoden und fanden heraus, dass ihr System konsistent schneller und leichter ist. Während einige konkurrierende Schemata auf komplexen mathematischen Paarungen basierten, die fast 10 Millisekunden zur Verifizierung benötigten, schloss das EPDA-System dieselbe Aufgabe in einem Bruchteil dieser Zeit ab. Der Kommunikationsaufwand wurde ebenfalls drastisch reduziert, wobei die gesamte Datenmenge pro Auto weniger als ein Drittel dessen betrug, was andere Methoden erforderten. Diese Ergebnisse deuten darauf hin, dass das vorgeschlagene Schema erfolgreich den schwierigen Kompromiss zwischen starken Datenschutzgarantien und den hohen Geschwindigkeitsanforderungen von Fahrzeugnetzwerken meistert. Das System erwies sich als in der Lage, eine große Anzahl von Teilnehmern zu handhaben, ohne die Leistung zu beeinträchtigen, was darauf hindeutet, dass es effektiv skalieren kann, wenn die Zahl der vernetzten Fahrzeuge auf der Straße weiter wächst.

Letztendlich zeigt die Arbeit, dass es möglich ist, ein sicheres, privates und effizientes Lernsystem für die Automobilwelt aufzubauen, ohne auf die schwere Rechenmaschinerie angewiesen zu sein, die solche Anwendungen bisher begrenzt hat. Durch die Kombination einer leichtgewichtigen Signaturmethode mit einer sicheren Maskierungstechnik haben die Forscher einen Rahmen geschaffen, in dem Autos gemeinsam lernen können, ohne ihre Geheimnisse preiszugeben oder das Netzwerk zu verlangsamen. Die Simulationen legen nahe, dass dieser Ansatz bereit für den realen Einsatz ist und einen praktischen Weg für intelligente Transportsysteme bietet, die die Privatsphäre der Nutzer respektieren und gleichzeitig die für das sichere Fahren notwendige hohe Leistung aufrechterhalten. Die Studie kommt zu dem Schluss, dass diese duale Aggregationsmethode eine lebensfähige Lösung für die Zukunft vernetzter Fahrzeuge bietet, in der Datensicherheit und operative Effizienz Hand in Hand gehen müssen.